基于深度学习的航天器位姿估计研究进展

从在轨应用角度出发,对近年来基于深度学习的航天器位姿估计相关研究成果进行了综述。首先,对基于传统特征提取方法的航天器位姿估计研究进展与局限性进行了归纳梳理。在此基础上,引出基于深度学习的航天器位姿估计的重要意义,并聚焦公开比赛、数据集、姿态估计方法、开源模型等方面阐述基于深度学习方法在当前和未来的关键问题与解决途径。最后,从数据集逼真度、模型可部署、多任务域适应3个维度给出了相应关键技术后续发展的方向与思路。

基于飞行时间相机的非合作慢旋卫星稠密重建研究

针对非合作慢旋卫星的模型重建问题,提出基于飞行时间(time-of-flight,TOF)相机和同时定位与制图(simultaneous localization and mapping,SLAM)的稠密重建方法。基于预先检测与自适应阈值方法提高旋转提取与描述(oriented fast and rotated brief,ORB)的特征尺度适应性。利用运动度量方法选取关键帧。利用子模型拼接方法加快重建效率。利用仿真环境制作非合作慢旋卫星的数据集。仿真实验结果表明:该方法能够实现长时间稳定地工作,可在3 min内重建出卫星模型的稠密点云,点云密度大于5000,重建误差小于5 cm。利用机械臂、卫星模型及光学暗室搭建半物理实验系统,表明算法的精度及抗噪声能力基本满足非合作目标感知的任务的需求。

基于特征融合的SSD视觉小目标检测

针对SSD算法在检测目标过程中对小目标检测效果差的缺陷,提出了特征融合的SSD方法。该方法充分融合深浅层特征信息以提升网络模型对小目标的检测能力,为更好地检测小目标,将先验框尺寸相对原图比列进行调整,同时对SSD模型相应超参数值进行调整。实验结果表明,检测精度mAP较SSD提高3.4个百分点,对小目标Bottle、Chair、Plant检测精度分别提升8.7个百分点、3.4个百分点和7.1个百分点。检测精度mAP较当前一系列性能优异的目标检测算法有显著提高。通过拓展实验进一步证明改进算法成功检测到了大多数SSD算法没有检测到的小目标,提高了平均检测准确率。

面向半稠密三维重建的改进单目ORB-SLAM

构建更详细的地图以及估计更精准的相机位姿一直都是同时定位与地图构建(Simultaneous Localization And Mapping,SLAM)技术所追求的目标,但是以上目标与实时性要求、较低的计算代价和受限的计算资源条件是相矛盾的。提出一种在单目ORB-SLAM(Oriented FAST and Rotated BRIEF-SLAM)方法的基础上利用关键帧中提取到的直线特征进行半稠密三维重建的方法。由ORB-SLAM实时提供一组关键帧及其对应的相机位姿信息和一系列地图点,提出一种关键帧再剔除算法进一步减少冗余帧数目,使用直线段提取方法提取各帧中的直线段,使用纯几何约束方法对以上检测得到的直线段进行匹配,生成一个由直线段构成的半稠密三维场景模型。实验结果表明新方法持续稳定的运行,能在低计算代价条件下快速地在线三维重建。

一种改进RANSAC校验的失效卫星位姿估计回环检测方法

为解决失效卫星位姿估计中视觉SLAM方法回环检测效果差的问题,结合空间特殊的应用环境,提出一种改进RANSAC校验的空间失效卫星位姿估计回环检测方法。首先利用深度学习提取图像的全局特征和局部特征;然后对全局特征进行快速检索,建立回环候选帧集合;最后,将图像网格化并提取优质特征点作为RANSAC算法的随机抽样点集,采用改进的RANSAC算法对回环候选帧集合进行图像匹配校验,挑选出匹配程度最高的作为回环检测结果。实验表明:在牛津数据集上,所提方法与无校验的方法对比,100%准确率下的最大召回率提升了30.6%,说明改进RANSAC校验在回环检测中的有效性;在失效卫星数据集上,所提方法无需预训练,对光照变化的空间场景具有高适应性,和基于词袋模型(BoW)算法相比,缩减时间24.1%。

非合作目标智能感知技术研究进展与展望

智能感知是实现航天器在轨精细化操控过程的关键技术,是在轨服务技术智能化的重点发展方向之一。空间目标智能感知包括位姿测量、三维重建与部位识别等关键技术,涉及小样本、多模态、模型适应与高维数据等问题。从工程应用角度出发,对非合作目标智能感知技术的研究现状进行系统的梳理与总结。首先,总结典型非合作在轨感知系统与光学敏感器技术的发展现状;其次,归纳总结了非合作目标智能感知涉及的关键技术;最后,基于研究现状总结和关键技术分析,探讨了非合作目标智能感知目前存在的主要问题,并给出后续发展的建议。

高超声速飞行器姿态运动协调研究

研究了高超声速飞行器的姿态运动间的强耦合问题并设计了姿态协调控制器,首先基于状态变量间耦合度推导了耦合熵,再基于耦合分析设计了协调因子,其中将状态变量间的耦合熵作为协调因子的参数,然后引入协调因子设计了姿态控制器。仿真结果表明,所设计的协调控制器可有效应对高超声速飞行器姿态运动间的强耦合问题,在保证姿态稳定的前提下,实现了姿态角之间的协调控制。

一种基于TOF相机的空间合作目标相对位姿测量方法

针对空间合作目标的靶标提取、匹配与相对位姿解算问题,利用TOF相机采集的灰度和深度信息进行目标检测与关键点筛选的靶标提取,基于此进行特征点匹配并确定合作目标的相对位姿。首先,基于灰度信息进行目标检测,接着,结合深度信息与靶标形态筛选关键特征点,然后,利用马尔可夫随机场(MRF)的确定性退火算法进行特征点匹配,最后,利用SVD算法解算位姿获得目标航天器和追踪航天器之间的相对位置、姿态关系。实验表明该方法计算量少、鲁棒性较好。

非合作慢旋目标即时状态位姿确定

对失效卫星等非合作慢旋目标进行在轨服务,需要精确测量追踪航天器与目标之间的姿态信息。因此,如何在复杂的光照条件下快速、准确地对非合作慢旋目标进行即时状态位姿确定具有一定的挑战性。应用ORB-SLAM技术,首先定位关键帧,并估计姿态。然后用当前帧的特征点与地图点对应的特征点进行匹配。最后,将完成匹配的特征点通过重投影确定其在地图中的位置,如果出现跟踪丢失,则根据已有的地图点估计姿态。实验结果表明在复杂的光照条件下,分别对以10(°)/s角速度运动和以3(°)/s角速度运动的非合作目标进行测量,当测量稳定后,平均角速度误差约为0.1(°)/s和0.02(°)/s,可以满足工程上空间非合作目标相对姿态测量的精度要求。

高超声速飞行器纵向系统鲁棒协调控制器设计

在高超声速阶段,飞行器强非线性耦合与强不确定性问题,为飞行控制系统的设计工作带来了巨大的挑战。为了研究高超声速飞行器纵向控制系统中的耦合关系,基于高超声速纵向非线性模型,对其状态变量组与输入变量组进行耦合采样分析。同时,考虑到系统的不确定性,提出了一种分层鲁棒的协调控制策略。对高超声速纵向的高度和速度子系统设计鲁棒与耦合补偿控制器,对姿态子系统设计鲁棒与耦合转换控制器。利用Lyapunov稳定性理论分析整个闭环系统的稳定性。仿真表明,该控制方法可以有效应对纵向系统间的强耦合问题。

基于改进Faster R-CNN的失效卫星部件检测方法

基于光学图像对失效卫星部件的精确检测可以为失效卫星的定位与捕获等任务提供支撑。然而,失效卫星部件多为密集小目标,且其光照条件变化较大,这导致一般主干网络出现特征表征分辨率低、小目标漏检等问题。针对上述问题,提出了一种基于改进Faster R-CNN的失效卫星部件检测方法。首先,该方法在Faster R-CNN的基础上,融合高分辨网络构建新的特征提取主干网络,以获得可靠、高分辨率的特征表达式。其次,在模拟真实空间环境的条件下,利用1∶1的嫦娥卫星模型构建了一个信息丰富的失效卫星数据集。用该数据集进行验证,结果表明:该方法的平均精度为93.6%,与Faster R-CNN和Cascade R-CNN相比,对小部件检测的准确率与召回率分别平均提高了9.8%与5.4%。该方法可有效检测失效卫星部件。

空间变化场景下卫星部组件域适应识别研究

针对小样本限制下卫星部组件识别域适应困难的问题,提出一种变化场景下自适应迁移的目标识别算法。卫星部组件的识别模型框架为YOLO,迁移算法包括3个策略:基于特征关联性的样本加权策略,基于模型的参数自适应策略和最优特征变换自适应迁移策略。基于以上策略,YOLO模型建立域特征空间的相似性,选择性地迁移源域知识,同时在适应过程中通过调整策略边界学习不变特征表示,以此来加强模型的自适应迁移能力。迁移实验中,分别验证了3个策略的迁移能力,有效提升YOLO模型在复杂多变空间环境下对卫星部组件的稳定识别。实验结果表明:基于特征关联性学习到的权重要优于随机初始化权重,参数自适应迁移显著提升了目标域的测试精度,最优特征变换显著提升模型的泛化性能力。

空间目标快速轮廓特征提取与跟踪技术

为满足空间目标交会对接任务中高精度、快速的测量要求,提出了一种空间目标快速轮廓特征提取与跟踪技术。该算法首先从初始帧图像中分割定位目标所在局部区域,作为目标连续跟踪的初始值;其次基于初始帧目标局部区域完成对初始帧目标边缘特征的检测及细化处理;最后采用Hough变换完成对初始帧目标边缘的检测及细化后的局部图像轮廓直线的提取,分别选取目标轮廓四方向最优的直线参数作为最终目标轮廓直线获取的效果,并采用梯度最大法则实现两两求交获取的轮廓特征的优化提取。在目标逼近过程中,结合相邻帧图像间目标尺度动态变化的关联性,根据初始帧提取目标轮廓特征的先验信息,确定目标在第二帧图像中的轮廓位置,并依次根据上一帧图像的轮廓位置信息定位目标在当前帧所在的区域,通过局部处理实现序列图像轮廓区域特征的连续跟踪。该算法无需遍历整个图像,所需处理的目标区域大幅减小,能够有效克服由目标图像较多边缘干扰导致的轮廓提取效果差及处理速度慢的缺点,具有速度快、准确性强、稳定性高等优点。

低照度小样本限制下的失效卫星相对位姿估计与优化

低照度图像信息受损严重,会导致失效卫星的位姿估计精度和鲁棒性降低。基于此,提出了无监督生成式对抗网络低照度图像增强模型。生成器以U-Net网络为基础,并设计密集残差连接结构。判别器设计为全局-局部的双辨别器结构,由传统的单一标量扩展为多标量判别。在小样本的条件下,基于进化训练与并行训练方式改进基于SinGAN的数据增广方法。最后,在基于ORB-SLAM位姿初始化的基础上,建立特征信息的局部地图,克服位姿估计对参考帧的依赖;通过关键帧ROI的稠密匹配,建立关于平面法向量和单目相机安装高度的非线性优化模型求解尺度因子;通过闭环检测后的相似性变换,构建关键帧集合的联合位姿图优化方程,实现对位姿矩阵的全局校正。实验结果表明:测量稳定后,低照度图像的姿态角误差最大值为4°,而图像增强后的姿态角误差最大为0.5°;对于以角速度20°/s运动的失效卫星旋转5周,相对静止下的跟踪测量为5周,1m水平方向机动下的跟踪测量为4.5周。可以满足失效卫星相对姿态测量的任务需求。

失效卫星远距离相对位姿估计与优化方法

针对远距离非合作慢旋目标位姿估计精度问题,提出一种融合图像超分辨与视觉SLAM的相对位姿估计方法。算法主要包含3个步骤:通过梯度引导生成式对抗超分辨技术,提升目标图像的质量以获取更多更高质量的特征点;构建特征数据库实现当前帧与特征数据库的匹配,提升旋转目标的特征跟踪稳定性;利用图优化对多帧图像进行联合位姿优化,消除累计误差,得到更为精确的估计结果。为稳定网络的训练,将自然进化算法引入到对抗训练中。为增强模型的泛化性和鲁棒性,实验中的数据集采用半物理仿真获得。实验结果表明,当等效距离为25 m且失效卫星以25(°)/s的速度旋转时,目标图像经超分辨网络增强后,能够实现连续稳定的长时间测量。

基于二维振镜与位置灵敏探测器的高精度激光跟踪系统

提出了一种基于二维振镜与位置灵敏探测器的高精度激光跟踪系统;基于光线追迹方法建立跟踪系统的几何光学模型,并对跟踪系统进行误差分析,通过仿真对激光跟踪系统的指向精度以及跟踪性能进行分析。仿真结果表明:在跟踪距离100 m处,跟踪系统的位置指向精度可达0.35 mm,角度指向精度为0.72″,跟踪范围为-10°~10°,最大跟踪速度可达3.6 rad/s,能够实现对远距离快速运动目标的高精度实时主动跟踪。

空间失效慢旋卫星视觉特征跟踪与位姿测量

空间碎片或者失效卫星往往绕其惯性主轴做自旋运动,虽然处于一种稳定状态,但是对其运动状态测量的难度相比三轴稳定目标而言又增加了许多,主要体现在复杂光场环境下和目标观测面周期性进出视场引起的特征点丢失、尺度变化和旋转变化,以及长时间连续观测引起的累积误差增大、位姿解算不收敛等难题。通过构建优化目标特征数据库,将传统测量方式中前后帧的匹配转变为当前帧与特征数据库的匹配和特征点的优化,即使中间过程帧出现了偏差仍然可以较好地跟踪后续图像帧的正确位置。在李代数空间下建立位姿向量微分扰动方程,获得测量值与估计值的残差目标函数,基于贝叶斯法则最大后验概率和李群与李代数的对指变换法则,求取位姿向量最优解。解决了李群空间下由于位姿变换矩阵不可加性而无法优化的问题,提高了连续测量过程中系统的测量精度。实验结果表明,无优化测量方法无法保证整个旋转周期的有效测量;通过增加位姿优化过程,连续稳定测量时间明显延长,针对以12(°)/s自旋运动的目标,测量稳定段误差在2°以内,旋转角速度测量误差为0.12(°)/s。